机构名称：
¥ 1.0
许多领域的科学家，包括基因组学，材料科学和遥感，需要分析越来越多的数据[1、4、8、9]。科学工作流程系统促进了此类分析的自动化，使科学家能够从黑框任务中构成管道，并具有数据依赖性。由于这些工作流程通常用于处理大量数据，因此它们往往是资源密集型和长期运行的，从而导致大量的能源消耗，因此会导致碳排放。此外，大数据应用程序的日益普及已被确定为ICT行业排放量不断增加的驱动力[5]。因此，量化和理解科学工作流的碳足迹至关重要。诸如NextFlow [2]之类的科学工作流系统，允许在异质群中进行工作流程，执行和监视。尽管这些系统通常为执行的工作流程生成详细的性能跟踪和日志，但它们不会产生消耗或碳发射的能量记录。因此，用户必须用硬件/软件电表手动监视功耗，否则使用诸如Cloud Car-Bon Footprint（CCF）1或绿色算法（GA）[7]之类的方法，该方法采用线性功率模型将资源利用转化为能量消耗。在任何一种情况下，要将消耗的能量转化为发射的碳，用户需要一定量的碳强度（CI），例如年平均值或更细粒度的度量。没有此步骤，只能基于粗粒度资源利用度量来估算功耗。一般而言，CI测量每千瓦时消耗的电力（每千瓦时）产生的碳量（𝐶𝑂2）的量，并且根据产生电力的来源以及对电网的需求而在不同位置，季节和时间之间有所不同。实际上，监视功耗要求用户附加物理功率计或在执行工作流程之前启用基于软件的工具，例如英特尔的运行平均电源限制（RAPL）。这是可以使用CCF和GA工具的，但仅以降低的精度。两种方法都假定能源消耗线性缩放，这不一定在实践中存在[6]。更重要的是，为了构建线性功率模型，GA方法依赖于指定的计算资源的供应商指定的热设计功率（TDP），这是一个不反映关键处理器设置（例如处理器频率）的专有度量，并不表示IDLE功能消耗。此外，尽管两种方法都将功耗转移到碳排放中，但它们使用静态平均值来表示计算工作量消耗的电力CI，而忽略了CI通常是高度可变的。
使用机器学习在仓库机器人中优化自动采摘系统
主要关键词
相关文件推荐
